描述

在這個(gè)項(xiàng)目中，我們將構(gòu)建一個(gè)自動(dòng)描述它觀察到的內(nèi)容的相機(jī)。將部署在 Jetson Nano 等邊緣設(shè)備上運(yùn)行的 AI 網(wǎng)絡(luò)，以便它持續(xù)提供所獲取幀的文本描述。為了保持實(shí)現(xiàn)簡(jiǎn)單，雖然可以將注意力等高級(jí)功能添加到網(wǎng)絡(luò)中，但由于主腳本是相當(dāng)模塊化的，所以沒(méi)有實(shí)現(xiàn)它們。

?

?

?

?

1 / 2

?

將實(shí)施混合深度神經(jīng)網(wǎng)絡(luò)，使用簡(jiǎn)單的 USB 攝像頭和 Jetson Nano 實(shí)時(shí)提供每一幀的字幕。

項(xiàng)目設(shè)計(jì)階段

該項(xiàng)目將分四期建設(shè)。在第一階段，我們將在配備獨(dú)立顯卡的主機(jī)上設(shè)置和訓(xùn)練網(wǎng)絡(luò)。第二階段包括設(shè)置 Jetson Nano 和實(shí)現(xiàn)從相機(jī)到 HDMI 監(jiān)視器的簡(jiǎn)單圖像管道。第三階段包括將圖像字幕深度神經(jīng)網(wǎng)絡(luò)與第二階段的圖像流水線相結(jié)合。最后，在最后一個(gè)階段，我們將在真實(shí)世界的設(shè)置下測(cè)試網(wǎng)絡(luò)。

帶有 USB 攝像頭的 Jetson Nano 設(shè)置

?

硬件需要為 Jetson Nano 提供 2A 電源，因?yàn)閺?USB 為其供電不足以在高性能模式下運(yùn)行神經(jīng)模型。為此，請(qǐng)確保將跳線安裝在 Jetson Nano 的右側(cè)。然后插入 USB 攝像頭、帶有最新圖像的 SD 卡和以太網(wǎng)電纜。設(shè)置好硬件后，下一步就是設(shè)置先決條件框架。

主機(jī)設(shè)置

首先，我們將在主機(jī)筆記本電腦上定義和訓(xùn)練網(wǎng)絡(luò)。該項(xiàng)目將使用 Tensorflow 2.01、Keras 2.1 和 OpenCV 4.1。先決條件是安裝 Cuda10.0 和 Visual Studio Express 17.0 以利用 GPU 速度增益，以防筆記本電腦配備支持 NVIDIA 的 GPU。

我們將用于訓(xùn)練的數(shù)據(jù)集是 Flickr8K 圖像數(shù)據(jù)集。這是一個(gè)相對(duì)較小的數(shù)據(jù)集，允許在筆記本電腦級(jí) GPU 上訓(xùn)練完整的 AI 流水線。人們還可以使用更大的數(shù)據(jù)集，這將以更高的訓(xùn)練時(shí)間為代價(jià)獲得更好的性能。數(shù)據(jù)集可以通過(guò)申請(qǐng)表從伊利諾伊大學(xué)下載。

下一個(gè)數(shù)據(jù)集是 Glove 數(shù)據(jù)集，它是一組從大型文本語(yǔ)料庫(kù)構(gòu)建的詞嵌入。該數(shù)據(jù)集本質(zhì)上充當(dāng)了 AI 從中獲取詞匯的字典。標(biāo)題文本清理完成后，下一步是加載 Glove 嵌入。嵌入是神經(jīng)網(wǎng)絡(luò)使用的單詞編碼。基本上單詞被投影為高維空間中的向量，然后表示為向量。從這里下載數(shù)據(jù)集：

https://nlp.stanford.edu/projects/glove/

然后創(chuàng)建一個(gè)名為 /Captioning 的頂級(jí)目錄，并在其中提取兩個(gè)壓縮文件。

?

?

?

?

1 / 2

?

另外創(chuàng)建一個(gè)名為 /data 的文件夾，用于保存訓(xùn)練階段生成的文件。接下來(lái)我們將定義網(wǎng)絡(luò)并訓(xùn)練網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練

從高層次的角度來(lái)看，圖像字幕深度學(xué)習(xí)網(wǎng)絡(luò)由菊花鏈?zhǔn)竭B接在一起的深度 CNN (InceptionV3) 和 LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)組成。CNN 的輸出是一個(gè)表示圖像類(lèi)別的 x 維向量。輸出被發(fā)送到 LSTM，后者生成圖像中對(duì)象的文本描述。LSTM 基本上接收 x 維向量流。在此基礎(chǔ)上，它實(shí)時(shí)串接了對(duì)場(chǎng)景的描述。

可以在 Github 上找到訓(xùn)練網(wǎng)絡(luò)的 Ipython 筆記本。主網(wǎng)絡(luò)的設(shè)計(jì)基于 Jeff Heaton 的工作。它由一個(gè) InceptionV3 CNN 和一個(gè) LSTM 遞歸神經(jīng)網(wǎng)絡(luò)組成。

下一步是從 Flickr 字幕構(gòu)建數(shù)據(jù)集，并通過(guò)標(biāo)記化和預(yù)處理文本來(lái)清理所有描述。然后我們將 Flickr8K 數(shù)據(jù)集拆分為測(cè)試和訓(xùn)練圖像數(shù)據(jù)集。然后我們加載訓(xùn)練數(shù)據(jù)集描述并訓(xùn)練網(wǎng)絡(luò)。

如前所述，Inception 網(wǎng)絡(luò)用作網(wǎng)絡(luò)的第一階段。最后一個(gè)全連接層被移除，因此從第一階段 CNN 出來(lái)的數(shù)據(jù)是一個(gè)一維向量。Inception 只能接受分辨率為 299x299 像素的圖像，因此必須對(duì)相機(jī)圖像進(jìn)行格式化。

inputs1 = Input(shape=(OUTPUT_DIM,))
fe1 = Dropout(0.5)(inputs1)
fe2 = Dense(256, activation='relu')(fe1)
inputs2 = Input(shape=(max_length,))
se1 = Embedding(vocab_size, embedding_dim, mask_zero=True)(inputs2)
se2 = Dropout(0.5)(se1)
se3 = LSTM(256)(se2)
decoder1 = add([fe2, se3])
decoder2 = Dense(256, activation='relu')(decoder1)
outputs = Dense(vocab_size, activation='softmax')(decoder2)
caption_model = Model(inputs=[inputs1, inputs2], outputs=outputs)

上面的代碼片段顯示了編輯后的 ??InceptionV3 CNN 與 LSTM 連接。這實(shí)現(xiàn)了編碼器-解碼器架構(gòu)。

完成后，我們必須循環(huán)遍歷訓(xùn)練和測(cè)試圖像文件夾，并對(duì)每張圖像進(jìn)行預(yù)處理。

網(wǎng)絡(luò)的最后一部分是循環(huán)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)。(LSTM) 簡(jiǎn)稱(chēng)。該網(wǎng)絡(luò)獲取序列并嘗試預(yù)測(cè)序列中的下一個(gè)單詞。這些類(lèi)型的網(wǎng)絡(luò)的工作由斯坦福大學(xué)的 A. Karpathy 完成，他指出它們對(duì)于此類(lèi)任務(wù)來(lái)說(shuō)是多么充分。

?

?

?

?

1 / 2

?

最后一步是訓(xùn)練網(wǎng)絡(luò)。對(duì)于這個(gè)項(xiàng)目，最初使用了 6 個(gè) epoch，損失最初為 2.6%。然而，為了獲得可接受的結(jié)果，損失必須遠(yuǎn)小于 1，因此必須訓(xùn)練至少 10-15 個(gè)時(shí)期。

訓(xùn)練網(wǎng)絡(luò)后，我們加載訓(xùn)練好的權(quán)重并在數(shù)據(jù)集的測(cè)試圖像以及不屬于原始數(shù)據(jù)集的圖像上測(cè)試網(wǎng)絡(luò)。

網(wǎng)絡(luò)在這里將孩子描述為“站在草地上的人”

?

如果圖像在風(fēng)格和內(nèi)容上與 Flickr9K 數(shù)據(jù)集中的圖像非常相似，則描述相對(duì)準(zhǔn)確。這也可以使用 OpenCV API 來(lái)完成。首先我們需要安裝正確的版本。

安裝OpenCV

OpenCv4.1 是從源代碼編譯的。這可能需要一段時(shí)間。要安裝 4.1 版，我使用了以下腳本：

curl -L https://github.com/opencv/opencv/archive/4.1.1.zip -o opencv-4.1.1.zip
curl -L https://github.com/opencv/opencv_contrib/archive/4.1.1.zip -o opencv_contrib-4.1.1.zip
unzip opencv-4.1.1.zip
unzip opencv_contrib-4.1.1.zip
cd opencv-4.1.1/
echo "** Building..."
mkdir release
cd release/
cmake -D WITH_CUDA=ON -D ENABLE_PRECOMPILED_HEADERS=OFF  -D CUDA_ARCH_BIN="5.3" -D CUDA_ARCH_PTX="" -D WITH_GTK=OFF -D WITH_QT=ON -D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib-4.1.1/modules -D WITH_GSTREAMER=ON -D WITH_LIBV4L=ON -D BUILD_opencv_python2=ON -D BUILD_opencv_python3=ON -D BUILD_TESTS=OFF -D BUILD_PERF_TESTS=OFF -D BUILD_EXAMPLES=OFF -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local ..
make -j3
sudo make install

請(qǐng)注意，GTK 已關(guān)閉，以避免在使用默認(rèn)設(shè)置編譯時(shí)發(fā)現(xiàn)的庫(kù)出現(xiàn)問(wèn)題。

?

安裝 OpenCV 后，使用下面附帶的文件 test_openCV.py 測(cè)試程序。USB 攝像頭在 /dev 下顯示為 /video0。

捕獲幀后，可以使用以下函數(shù)將文本覆蓋在每個(gè)幀的頂部：

def __draw_label(img, text, pos, bg_color):
  font_face = cv2.FONT_HERSHEY_TRIPLEX
  scale = 1
  color = (255, 255, 255)
  thickness = cv2.FILLED
  margin = 5
  txt_size = cv2.getTextSize(text, font_face, scale, thickness)
  end_x = pos[0] + txt_size[0][0] + margin
  end_y = pos[1] - txt_size[0][1] - margin
  cv2.rectangle(img, pos, (end_x, end_y), bg_color, thickness)
  cv2.putText(img, text, pos, font_face, scale, color, 2, cv2.LINE_AA)

下圖顯示了從相機(jī)捕獲的幀，日期覆蓋在幀的頂部。

所有通過(guò) OpenCv API 從相機(jī)拍攝的圖像都是 numpy 數(shù)組。因此，數(shù)組必須轉(zhuǎn)換為圖像，調(diào)整大小以匹配 InceptionV3 CNN 要求，然后再轉(zhuǎn)換回圖像并進(jìn)一步預(yù)處理。使用具有多個(gè)可編程分辨率的相機(jī)可以避免這種情況。

與最新的 RTX 類(lèi) GPU 相比，Jetson Nano 沒(méi)有特別強(qiáng)大的 GPU，因此，訓(xùn)練網(wǎng)絡(luò)絕對(duì)應(yīng)該在主機(jī)筆記本電腦上完成。

計(jì)算能力 5.3

?

。

。

?

網(wǎng)絡(luò)需要 2-3 分鐘來(lái)加載，因?yàn)樗x取并解析所有編碼。然后它讀取圖像幀并將其通過(guò)網(wǎng)絡(luò)傳遞。推理發(fā)生得非常快。

網(wǎng)絡(luò)最初會(huì)根據(jù)內(nèi)存不足發(fā)出一些警告。請(qǐng)記住，它沒(méi)有使用 TensorRT 進(jìn)行優(yōu)化，因此可以通過(guò)這樣做并用更好的 CNN（例如 Xception）替換 InceptionV3 來(lái)進(jìn)一步提高速度。

系統(tǒng)應(yīng)用

實(shí)施此類(lèi)系統(tǒng)的主要途徑是沿海監(jiān)控、公園安全監(jiān)控以及任何此類(lèi)場(chǎng)景，其中自動(dòng)監(jiān)控可用于對(duì)挽救生命和確保環(huán)境安全產(chǎn)生積極影響的應(yīng)用。

進(jìn)一步改進(jìn)

下一步是將 Tensorflow 模式轉(zhuǎn)換為 NVIDIA 的 TensorRT，以獲得額外的加速。

由于這是一個(gè)模塊化系統(tǒng)，網(wǎng)絡(luò)的輸出可以傳遞給通知系統(tǒng)，每當(dāng)圖像描述中出現(xiàn)感興趣的詞時(shí)，通知系統(tǒng)就會(huì)發(fā)送一封電子郵件。

進(jìn)一步的發(fā)展是將其與對(duì)話式人工智能系統(tǒng)相結(jié)合，以構(gòu)建一個(gè)“詢(xún)問(wèn)和描述”系統(tǒng)。

結(jié)論

可以看出，網(wǎng)絡(luò)僅在圖像內(nèi)容與訓(xùn)練圖像相似的情況下表現(xiàn)良好。

為了改進(jìn)描述，需要使用更大的文本語(yǔ)料庫(kù)以及更大的注釋數(shù)據(jù)集。雖然 Flickr30K 的大小幾乎是當(dāng)前數(shù)據(jù)集的 4 倍，但如果使用 MSCoCO 數(shù)據(jù)集，可以獲得更好的結(jié)果。問(wèn)題是您需要強(qiáng)大的 GPU 或使用云。